Periodic Labs：用真实实验训练“AI 科学家”
从互联网数据走向物理世界
Periodic Labs 的目标是打造能够参与科学发现的 AI 系统。联合创始人 Liam Fedus 与 Ekin Doğuş Çubuk 在访谈中提出一个核心观点：智能是必要条件，但并不足以产生新知识；新知识必须通过与现实世界的一致性来验证。
这意味着，AI 科学家不能只依赖论文、教材或互联网文本。科学发现通常需要提出假设、设计实验、观察结果，再根据成功与失败不断修正模型。尤其在材料科学中，真实世界充满噪声、不确定性和缺失信息，单纯“想出来”并不能替代实验。
“合成超级智能”的设想
访谈围绕 Periodic Labs 所称的 “synthesis superintelligence”（合成超级智能） 展开。这个设想不是只让模型回答科学问题，而是让 AI 进入完整的材料发现闭环：
- 预测可能有价值的材料结构或性质；
- 通过仿真、密度泛函理论（DFT）等方法进行筛选；
- 在高通量实验室中实际合成材料；
- 使用 X 射线衍射等表征手段分析结果；
- 将成功与失败的数据反馈给模型，继续下一轮实验。
Liam Fedus 强调，物理世界本身可以成为强化学习环境。但与游戏、代码或数学题不同，真实实验成本更高、反馈更慢、噪声更多，也更可能出现模型没有预料到的结果。因此，构建 AI 科学家不仅是模型问题，也需要实验室自动化、硬件工程、材料表征、仿真系统和数据基础设施共同配合。
为什么前沿模型仍然需要实验
访谈中反复出现的一个判断是：即使未来的前沿模型更强，也仍然需要真实实验。
原因在于，材料科学并没有被现有理论完全“解决”。许多关键问题无法仅靠既有论文推导出来。仿真和 DFT 可以提供帮助，但实验仍然是最终的现实检验。尤其是在探索新材料时，失败实验、异常结果和边缘案例可能比最终发表的成功结果更有训练价值。
这也引出 Periodic Labs 对数据的重视：科学训练数据不应只包括论文中的结论，还应包括做科学的全过程，例如实验设计、失败路径、仪器读数、样品制备条件和表征过程。
让每台实验设备具备“140 IQ”
Ekin Doğuş Çubuk 与 Liam Fedus 还谈到一个形象说法：让每一台实验设备都拥有“140 IQ”。这并不是说仪器本身真的具备人类智商，而是指实验室中的仪器、机器人、传感器和分析系统都应具备更强的自动化、推理与反馈能力。
在这样的系统中，实验设备不只是执行固定命令，而能参与判断下一步该做什么：
- 哪个样品值得进一步表征；
- 哪个参数范围需要重新扫描；
- 哪些失败结果可能暗示新的规律；
- 哪些实验应优先排队。
如果自动化实验室能够稳定运行，它可能显著扩大材料探索的范围，增加“偶然发现”的机会。
材料发现的潜在方向
访谈中提到的应用方向包括：
- 室温超导体；
- 新型磁性材料；
- 电池材料；
- 更高效的计算硬件相关材料；
- 可用于产业部署的自动化实验系统。
不过，访谈并未声称这些目标已经实现，而是将其作为材料发现自动化可能加速探索的方向。
主要讨论议题
本期访谈覆盖了以下问题：
- 为什么科学发现不能只靠智能推理；
- 强化学习如何作用于真实物理世界；
- 科学实验中的噪声、不确定性与信息缺失；
- 材料发现中的预测、合成与表征闭环；
- 为什么物理和材料科学远未被完全解决；
- “matter compiler”（物质编译器）与合成超级智能；
- 相变、X 射线衍射与 AI 辅助材料表征；
- DFT、仿真与实验事实之间的关系；
- 室温超导体、电池、新磁体和高效计算材料；
- 为什么量子计算未必自动解决材料发现；
- 为什么负结果和高质量数据很重要；
- 如何训练模型理解“做科学的过程”；
- 自动化实验室如何在 AI、化学、物理和定制硬件之间扩展。
时间线摘录
- 00:00:00 引言：智能必须与现实相遇
- 00:02:49 物理世界中的 AI 与强化学习
- 00:09:17 端到端材料发现闭环
- 00:13:28 为什么物理并未被“解决”
- 00:19:04 物质编译器与 AI 材料表征
- 00:30:22 DFT、仿真与实验事实
- 00:42:27 理想材料、计算与量子计算
- 00:45:57 让每台实验设备具备“140 IQ”
- 00:50:02 实验室自动化
- 00:53:16 数据、模型与负结果
- 00:58:13 用科学过程训练 AI
- 01:00:20 为什么前沿 AI 仍需要实验
- 01:06:06 扩展自动化实验室
- 01:10:45 团队建设与产业部署
- 01:17:01 从 AI 副驾驶到科学结果
- 01:20:57 自动化寻找超导体
小结
这场访谈的核心价值在于，它把“AI 科学家”从抽象概念拉回到实验现实：模型能力重要，但实验、硬件、数据质量、失败样本和自动化流程同样关键。Periodic Labs 的路线强调，下一阶段的科学 AI 可能不只是读论文和生成假设，而是进入实验室，在真实世界中持续试错、学习和发现。